این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
اطلاعات جغرافیایی (سپهر)، جلد ۲۸، شماره ۱۱۰، صفحات ۳۷-۵۲
عنوان فارسی ارزیابی و مقایسه روش های طبقه بندی نظارت شده جهت تهیه نقشه درجات شوری خاک با استفاده از تصاویر ماهواره ای سنتینل-۲
چکیده فارسی مقاله شوری خاک یکی از عوامل گسترش بیابان­‌زایی و تخریب منابع زیست محیطی در مناطق خشک و نیمه خشک محسوب می­‌شود. با توجه به روند رو به گسترش شوری‌­زایی در طی سالیان اخیر و اهمیت حفظ منابع طبیعی، تعیین گستره نواحی تحت تأثیر این پدیده و شدت شوری در این مناطق از اهمیت ویژه­‌ای برخوردار است. استفاده از پتاسیل تصاویر ماهواره­‌ای با توان تفکیک مکانی و طیفی بالا و به­ کارگیری تکنیک‌­های سنجش ­از دوری یکی از راه­‌های مؤثر در تشخیص این پدیده و تعیین شدت شوری در نواحی آسیب دیده است. براین اساس پژوهش حاضر با نمونه‌­برداری از خاک منطقه‌­ای واقع در کوه سفید استان قم که تحت تأثیر شوری است، به تهیه نقشه سطوح مختلف شوری خاک با استفاده از تصاویر ماهواره سنتینل-2 پرداخته است. در این راستا، شاخص‌­های متنوع شوری از تصاویر ماهواره‌­ای استخراج شده و در فرآیند طبقه‌­بندی تصویر به کلاس­‌های شوری از قبیل خاک بدون شوری، با شوری کم، شوری متوسط، شوری بالا و خاک اشباع از شوری مورد استفاده قرار گرفتند. نتایج طبقه‌­بندی صورت گرفته از 5 الگوریتم طبقه‌­بندی نظارت شده شامل حداقل فاصله، ماهالانوبیس، متوازی السطوح، حداکثر احتمال و ماشین­‌بردارپشتیبان، بیانگر بالاترین دقت به ­دست ­آمده از طبقه‌­بندی­ کننده ماشین‌بردار پشتیبان با دقت کلی 218/92 درصد و ضریب کاپای 894/0 در تهیه نقشه­‌ی کلاس­‌های شوری بود. ارزیابی نقشه‌­های به دست­ آمده از کلاس‌‌های شوری همچنین نشان­‌دهنده‌­ی شدت شوری بالاتر نواحی شرقی کوه­‌سفید نسبت به دیگر مناطق بوده که ناشی از مجاورت بیشتر این نواحی نسبت به دریاچه نمک استان قم و کشیده شدن سطوح نمک به زمین­‌های اطراف می‌­باشد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Evaluating and comparing supervised classification algorithms With the aim of mapping soil salinity levels using Sentinel-2 satellite imageries
چکیده انگلیسی مقاله Extended Abstract Introduction: Soil salinity is considered to be a major cause of desertification and destruction of environmental resources in arid and semi-arid regions. Due to the importance of conserving natural resources and also the increasing trend of soil salinity during the last few years, determining the extent of salinity spread and its severity in affected areas is especially important. Using the potential of high resolution satellite imagery and remote sensing techniques is one of the most effective ways for detecting salinity in salt affected regions. Among different satellite sensors, satellites which provide large scale multispectral satellite imageries with high spatial and spectral resolution have a high potential for assessing salinization and mapping soil salinity in study regions. Materials and Methods: Accordingly, this paper aims to map different salinity levels in an area in Kuh-Sefid district (Qom Province), which is highly affected by salinity, using Sentinel-2 recent imageries. For this purpose, field study was conducted and salinity level was measured for several soil samples randomly collected from the site. Different salinity indicators, like salinity and vegetation indices, LST, and Digital Elevation Model of the site produced based on SRTM elevation data were also extracted from corresponding satellite images. These indicators were then used for mapping salinity levels in Kuh-Sefid district. Principal Component Analysis was used to gain the largest amount of available information and reduce the dimensionality of data cube. Based on the performed analysis, different supervised classification algorithms were used to map salinity levels and divide the site into five distinct salinity classes - normal, slightly saline, moderately saline, highly saline, and extremely saline. Results and Discussion: Data was analyzed based on five supervised classification algorithms, including Minimum Distance, Mahalanobis, Parallelepiped, Maximum Likelihood, and Support Vector Machine (SVM). Results indicated that the best accuracy in mapping salinity classes was obtained from SVM classifier, with overall accuracy of 92.218 and Kappa coefficient of 0.894. The results also revealed that Maximum Likelihood Classifier with overall accuracy of 90.718 has a high potential for discriminating saline surfaces and producing salinity map. In addition, more than 62% of soil types in this region are categorized in moderate, high and extreme salinity classes, which indicates that the area is highly at risk. Conclusions: Evaluating the results of salinity classes shows that the eastern areas of Kuh-Sefid are relatively more severely affected by salinity. This is due to vicinity of Qom Salt Lake and drawing of saline soil into surrounding areas. If this process continues, it will lead to loss of soil fertility and crop productivity in this region over the next few years. Due to their potential in detecting soil salinity and providing large-scale maps of salinity levels, multispectral Sentinel-2 imageries are considered to be a powerful tool in soil reclamation programs and land management studies.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله محمد مهدی تقدسی |
کارشناسی ارشد سنجش ازدور، دانشکده مهندسی نقشه برداری و اطلاعات مکانی، پردیس دانشکده های فنی، دانشگاه تهران

مهدی حسنلو |
استادیار، دانشکده مهندسی نقشه برداری و اطلاعات مکانی، پردیس دانشکده های فنی، دانشگاه تهران

کامران افتخاری |
استادیار، موسسه تحقیقات خاک و آب، کرج

نشانی اینترنتی http://www.sepehr.org/article_36608_9d819e4fe5e5d67dfadec8eeaf06c9b2.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/589/article-589-2063617.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات